[发明专利]一种基于振动数据的风电机组轴承故障特征提取方法

权利要求书

1.一种基于振动数据的风电机组轴承故障特征提取方法，其特征在于该方法的步骤为：

(一)采用JADE算法对观测信号进行盲源分离，得到源信号

盲源分离是指在源信号和传输通道未知的情况下，根据源信号的统计特性，从观测信号中分离或估计出源信号的过程；所述观测信号来自一组传感器的输出，每个传感器接收到多个原始信号的一组混合，其模型表示为：

x(t)＝Hs(t)+n(t)

式中，x(t)＝[x₁(t),x₂(t),…,x_m(t)]^T是m×1的观测信号，s(t)是源信号向量；类似地，x(t)为m×1的混合信号向量，n(t)为m×1的噪声向量，m表示的是向量的行数，H则为m×n阶混合矩阵，H和s(t)是相乘的关系；

盲源分离算法采用JADE算法，盲源分离JADE算法的步骤如下：

(1)对观测信号x(t)进行球化处理，计算公式如下：

z(t)＝Wx(t)

式中：z(t)为球化信号；W为球化矩阵；

(2)计算球化信号z(t)的四阶累积量N；

(3)优化步骤，对四阶累积量N进行联合对角化来获取酉矩阵M；

(4)计算得到源信号的估计值计算公式如下：

式中：M^-1为酉矩阵M的逆矩阵；

(二)计算源信号的峭度和负熵

峭度是描述波形尖峰度的一个无量纲参数，计算公式如下：

式中：K为源信号估计值的峭度；μ为源信号估计值的均值；σ为源信号估计值的标准差；为的期望值；是源信号估计值，

负熵是微分熵的一种标准化版本，定义为：

式中：J为源信号估计值的负熵，为源信号估计值的熵，I(s_Gauss(t))为s_Gauss(t)的熵，s_Gauss(t)为与源信号估计值具有相同协方差矩阵的高斯随机信号；负熵总是非负的，当且仅当具有高斯分布时其值为零；负熵具有严格的统计理论背景，如果仅考虑其统计性能，那么负熵是非高斯性的最优估计，

(三)计算源信号包络矩阵的奇异值

采用希尔伯特(Hilbert)幅值解调法对源信号进行包络分析，得到包络信号后，将上、下包络线信号组成上、下包络线矩阵，再分别对上、下包络线矩阵进行奇异值分解，并得到相应的奇异值；步骤为：

(1)将信号进行希尔伯特变换：

式中：c(t)为希尔伯特信号，它与源信号估计值的幅值和频率相同但相位相差90°,*为卷积符号；

(2)根据求出的希尔伯特信号c(t)，重构解析信号如下

式中：g(t)为解析信号，j为虚数单位；

(3)计算解析信号g(t)的幅值a(t)：

从而完成了对故障源信号的包络分析过程，幅值a(t)即为包络信号；

(4)奇异值分解：

A＝UΛV^T

式中，A为包络信号矩阵，由源信号的上、下包络信号组成；U为矩阵A的左奇异矩阵；V为矩阵A的右奇异矩阵；V^T为矩阵V的转置矩阵，Λ为对角矩阵，其对角元素δ₁,δ₂,δ₃…为包络信号矩阵A的奇异值，

(四)利用局部线性嵌入方法提取故障特征

由于提取的不同参数对设备健康状态的规律性和敏感性各不相同且表现规律不一，很难用某一个或几个参数来准确表征轴承的运行状态；通过计算源信号的峭度、负熵和包络线矩阵奇异值构建源信号参数空间，这里采用局部线性嵌入方法对参数矩阵进行训练，抽取出低维特征向量，准确地描述轴承运行状态，

源信号峭度向量：K＝[k₁,k₂,k₃…]

源信号负熵向量：J＝[J₁,J₂,J₃…]

源信号包络矩阵奇异值向量：δ＝[δ₁,δ₂,δ₃…]将上述三个向量组合构建高维参数空间P，利用局部线性嵌入方法对高维参数空间P进行降维，具体步骤如下：

(1)计算每个样本点的k个邻近点，对于高维参数空间中的每个样本点p_i，计算它与另外n-1个样本点之间的距离，找出与p_i距离最近的k个点，其中两点间的距离公式为：

d_ij＝|p_i-p_j|

(2)计算样本点的局部重建权值矩阵；

(3)根据高维参数空间中样本点p_i与它的邻近点p_j之间的权值来计算低维嵌入空间中的值，所得低维嵌入空间中的值即为提取出的故障特征量。